【尚硅谷】数据结构和算法——排序算法1.0

大鱼-

已于 2023-03-22 17:06:26 修改

阅读量347

点赞数

分类专栏：数据结构与算法代码内容文章标签：算法排序算法数据结构

于 2023-03-06 21:29:18 首次发布

本文链接：https://blog.csdn.net/weixin_54533016/article/details/129362564

版权

数据结构与算法代码内容专栏收录该内容

15 篇文章 0 订阅

订阅专栏

前言

跟着B站的尚硅谷学习数据结构与算法，语言为java，目前是第九个代码内容——排序
课程传送门：尚硅谷——排序算法1.0

一、排序算法的介绍

排序也称为排序算法（Sort Algorithm），排序是将一组数据，依指定的顺序进行排列的过程。

二、排序的分类

1）内部排序：
指将需要处理的所有数据都加载到内部存储器中进行排序。

2）外部排序法：
数据量过大，无法全部加载到内存中，需要借助外部存储进行排序。

3）常见的排序算法分类
在这里插入图片描述

三、算法的时间复杂度

1.度量一个程序（算法）执行时间的两种方法

1）事后统计的方法：

这种方法可行，但是有两个问题：一是要想对设计的算法的运行性能进行评测，需要实际运行该程序；二是所得时间的统计量依赖于计算机硬件、软件等环境因素，这种方式，要在同一台计算机的相同状态下运行，才能比较那个算法速度更快。

2）事前估算的方法：

通过分析某个算法的时间复杂度来判断哪个算法更优。

2.时间频度

基本介绍：一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间越多。一个算法中的语句执行次数称为语句频度或者时间频度，记为T( n )。

1）举例说明

1.基本案例：

比如计算 1—100所有数字之和，我们设计两种算法：
在这里插入图片描述

2.忽略常数项

在这里插入图片描述
结论：
1）2n+20 和 2n 随着 n 变大，执行曲线无限接近，20 可以忽略
2）3n+10 和 3n 随着 n 变大，执行曲线无限接近，10 可以忽略

3.忽略低次项

在这里插入图片描述
结论：
1）2n^2+3n+10 和 2n ^2 随着 n 变大，执行曲线无限接近，3n+ 10可以忽略
2）n^2+5n+20 和 n^2 随着 n 变大，执行曲线无限接近，5n+20 可以忽略

4.忽略系数

在这里插入图片描述
结论：
1）随着 n 值变大，5n^2+7n 和 3n^2+2n，执行曲线重合，说明，在这种情况下，5 和 3 可以忽略
2）而 n^3+5n 和 6n^3+4n，执行曲线分离，说明多少次方式关键

3.时间复杂度

1）一般情况下，算法中的基本操作语句的重复执行次数是问题规模 n 的某个函数，用 T(n) 表示，若有某个辅助函数 f(n)，使得当 n 趋向于无穷大时，T(n) / f(n) 的极限值为不等于零的常数，则称 f(n) 是 T(n) 的同数量级函数。记作 T(n) = O( f(n) )，称 O( f(n) ) 为算法的渐进时间复杂度，简称时间复杂度。

2）T(n) 不同，但时间复杂度可能相同。如：T(n) = n^2+7n+6 与 T(n) = 3n^2+2n+2 它们的 T(n) 不同，但时间复杂度相同，都为 O(n^2)。

3）计算时间复杂度的方法：

用常数 1 代替运行时间中的所有加法常数 T(n) = n^2+7n+6 => T(n) = n^2+7n+1
修改后的运行时间中，只保留最高阶项 T(n) = n^2+7n+1 => T(n) = n^2
去除最高阶项的系数 T(n) = n^2 => T(n) = n^2 => O(n^2)

4.常见的时间复杂度

在这里插入图片描述

说明：
1）常见的算法时间复杂度由小到大依次为：O(1) < O(log2n) < O(n) < O(nlog2n) < O(n^2) < O(n^3) < O(n^k) < O(2^n)，随着问题规模 n 的不断增大，上述时间复杂度不断增大，算法的执行效率越低。
2）由图可见，我们应该尽可能避免使用指数阶的算法

1）常数阶O(1)

无论代码执行了多少行，只要没有循环等复杂结构，那这个代码是时间复杂度就都是O(1)

int i = 1;
int j = 2;
++i;
j++;
int m = i + j;

上述代码在执行的时候，它消耗的时候并不随着某个变量的增长而增长，那么无论这类代码有多长，即使有几万几十万行，都可以用 O(1) 来表示它的时间复杂度。

2）对数阶O(log2n)

int i = 1;
while(i < n){
	i = i * 2;
}

说明：在 while 循环里面，每次都将 i 乘以 2，乘完之后，i 距离 n 就越来越近了。假设循环 x 次之后，i 就大于 2 了，此时这个循环就退出了，也就是说 2 的 x 次方等于 2，那么 x=log2n 也就是说当循环 log2n 次以后，这个代码就结束了。因此这个代码的时间复杂度为 O(log2n)。O(log2n) 的这个 2 是根据代码改变的，i=i*3，则是 O(log3n)。

3）线性阶O(n)

for(i = 1; i < n; i++){
	j = i;
	i++;
}

说明：这段代码，for 循环里面的代码会执行 n 遍，因此它消耗的时间是随着 n 的变化而变化的，因此这段代码都可以用 O(n) 来表示它的时间复杂度。

4）线性对数阶O(b=nlog2n)

for(m = 1; m < n; m++){
	i = 1;
	while(i < n){
		i = i * 2;
	}
}

说明：线性对数阶 O(b=nlog2n) 其实就是容易理解，将时间复杂度为 O(log2n) 的代码循环 n 遍的话，那么它的时间复杂度就是 n*O(log2n) ，也就是 O(nlog2n)

5）平方阶O(n^2)

for(x = 1; x <= n; x++){
	for(i = 1; i <= n; i++){
		j = i;
		i++;
	}
}

说明：平方阶 O(n^2) 就更容易理解了，如果把 O(n) 的代码再嵌套循环一遍，它的时间复杂度就是 O(n^2)，这段代码其实就是嵌套了 2 层 n 循环，它的时间复杂度就是 O(nn)，即 O(n^2) 如果将其中一层嵌套的 n 改成 m，那么它的时间复杂度就变成了 O(nm)

6）立方阶O(n^{3)、K次方阶O(n}k)

说明：参考上面的 O(n^2) 去理解就好，O(n^3) 相当于三层 n 循环，其它的类型

5.平均时间复杂度和最坏时间复杂度

1）平均时间复杂度是指所有可能输入实例均以等概率出现的情况下，该算法的运行时间。

2）最坏情况下是时间复杂度称为最坏时间复杂度。一般讨论的时间复杂度均是最坏情况下的时间复杂度。这样做的原因是：最坏情况下的时间复杂度是算法在任何输入实例上运行时间的界限，这就保证了算法的运行时间不会比最坏情况更长。

3）平均时间复杂度和最坏时间复杂度是否一致，和算法有关。